はじめに

ハッカソン開発中、Azureのコストアラートが鳴りました。見ると1日で7000円のコストが発生しています。

原因を調べてみると、チームメンバーがClaude Codeを使ってデプロイしたSQLサーバーが原因でした。これは、AI駆動開発時代における典型的な失敗事例だと思います。

この記事では、AI時代にエンジニアになった人がハマりやすい罠と、その対策について実体験を交えて解説します。

事件の発覚

ある朝、Azureポータルを開いてコスト管理の画面を確認していました。するとグラフが急激に上昇しているではありませんか。

前日まで1日500円程度だったコストが、突然7000円に跳ね上がっていました。ハッカソンの開発期間は1ヶ月。このペースで行くと20万円以上のコストになってしまいます。

急いでコスト分析の詳細を確認すると、SQL Databaseのリソースが大半を占めていました。

原因究明：何が起きていたのか

私はすぐにSQLサーバーを実装した新人エンジニアのCさんに連絡を取りました。

私：「SQLサーバーのデプロイ、どうやって実装しました？」

Cさん：「Claude CodeからCLIでデプロイしました」

私：「デプロイしたときの細かい設定、覚えてますか？」

Cさん：「......知らんす」

この会話で、何が起きたのか理解しました。Cさんは以下のような流れで実装していたのです。

Cさんの実装プロセスを詳しく聞いてみると、こんな感じでした。

Claude Codeに「Azure SQLサーバーをデプロイしてください」と依頼
Claude CodeがCLIコマンドを生成
そのコマンドを実行
「成功しました」というメッセージを確認
完了

この間、どんな設定でデプロイされたのか全く理解していませんでした。

具体的な問題点

調査の結果、以下の問題が明らかになりました。

問題1：高額なSKUを選択していた

Claude Codeが生成したコマンドでは、開発環境には不要な高性能SKUが選択されていました。具体的には、本番環境向けのGeneral Purposeプランが使用されていたのです。

ハッカソンのプロトタイプには、Basic SKUで十分でした。

プラン	月額コスト	用途
Basic	約500円	開発・テスト環境
General Purpose	約20,000円〜	本番環境

問題2：Auto-pauseが無効になっていた

Azure SQL Databaseには、使用していない時間帯に自動で一時停止する「Auto-pause」という機能があります。しかし、この設定が無効になっていました。

これにより、誰もアクセスしていない深夜や早朝も課金され続けていたのです。

問題3：DTU（Database Transaction Unit）が過剰

開発段階では最小限のDTUで問題ありませんでしたが、デフォルトの高い値が設定されていました。

なぜこのようなことが起きたのか

この問題の根本原因は、AIツールへの過度な信頼とクラウドコストに対する知識不足でした。

AIツールは最適解を提案するわけではない

Claude CodeなどのAIアシスタントは、動作するコードを生成してくれます。しかし、そのコードがコスト最適化されているかどうかは別の話です。

AIは以下のような判断が苦手です。

開発環境なのか本番環境なのか
予算の制約
実際のトラフィック予測
組織のポリシー

これらの文脈を理解せずに、「動けばいい」という視点でコードを生成してしまいがちなのです。

AI時代のエンジニアが陥りがちな罠

Cさんは、AIツールの力を借りてエンジニアになった新世代のエンジニアです。従来のエンジニアと異なり、基礎から積み上げるのではなく、AIの力で一気に実装できてしまいます。

これは素晴らしい能力ですが、同時に危険でもあります。

特に以下の領域では注意が必要です。

コストが発生するリソース（データベース、VM、ストレージなど）
セキュリティに関わる設定（認証、アクセス制御など）
パフォーマンスに影響する設定（スケーリング、キャッシュなど）

対策：どうすれば防げたのか

この問題を防ぐために、私たちが実施すべきだった対策を紹介します。

対策1：コスト発生領域はレビュー必須にする

チームメンバーがクラウドリソースをデプロイする際は、必ず有識者がレビューするルールを設けるべきでした。

特に以下のリソースは要注意です。

データベース
仮想マシン
ストレージアカウント
App Service（上位プラン）

レビュー時のチェックポイントとしては、下記のようなものが挙げられます。

選択しているSKU/プランは適切か
Auto-scaleやAuto-pauseの設定は適切か
開発環境として過剰なスペックになっていないか

対策2：予算アラートを細かく設定する

Azureには予算アラート機能があります。これを細かく設定しておくべきでした。

私たちが設定すべきだったアラートは下記です。

日次予算：1000円
週次予算：5000円
月次予算：20000円

こうしておけば、異常なコストが発生した当日に気づけたはずです。

対策3：AIが生成したコマンドは必ず確認する

AIが生成したコマンドを実行する前に、最低限以下を確認するようにしましょう。

どんなリソースが作成されるのか
どんなオプションが指定されているのか
コストに影響する設定はないか

特にCLIコマンドの場合、--sku、--tier、--capacityなどのパラメータに注目します。

対策4：開発環境用のテンプレートを用意する

AIに依頼する際は、具体的な制約条件を含めて依頼するのが効果的です。

悪い例

SQLサーバーをAzureにデプロイしてください

良い例

開発環境用のAzure SQLサーバーをデプロイしてください。
以下の条件で設定してください：
- SKU: Basic
- 容量: 最小
- Auto-pause: 有効（1時間）
- リージョン: Japan East
- 予算: 月1000円以内

このように具体的に指示することで、AIはより適切な設定を提案してくれます。

対策5：Infrastructure as Codeを活用する

可能であれば、TerraformやBicepなどのIaCツールを使用することをお勧めします。これにより設定がコードとして残り、レビューもしやすくなりますね。

# Terraformの例
resource "azurerm_sql_server" "dev" {
  name                         = "dev-sql-server"
  resource_group_name          = azurerm_resource_group.dev.name
  location                     = "Japan East"
  version                      = "12.0"
  administrator_login          = "sqladmin"
  administrator_login_password = var.sql_password
  
  # 開発環境用の設定
  tags = {
    environment = "development"
    cost-center = "hackathon"
  }
}

resource "azurerm_sql_database" "dev" {
  name                = "dev-database"
  resource_group_name = azurerm_resource_group.dev.name
  location            = "Japan East"
  server_name         = azurerm_sql_server.dev.name
  
  # コスト最適化: Basicプラン
  edition             = "Basic"
  requested_service_objective_name = "Basic"
}

このようにコード化しておけば、GitHubでレビューでき、変更履歴も追跡できます。

実際の修正対応

問題発覚後、私たちは以下の手順で対応しました。

即座にリソースを停止
- まず出血を止めるため、SQLサーバーを一時停止
設定の見直し
- SKUをBasicに変更
- Auto-pauseを有効化
- DTUを最小値に設定
代替案の検討
- 開発環境ではSQLiteで十分ではないか検討
- 本当にクラウドDBが必要か再検討
チーム内での情報共有
- 朝会で全メンバーに共有
- クラウドリソース作成時のルールを明文化

結果として、コストを1日500円以下に抑えることができました。

チーム開発での学び

この経験から、AI駆動開発におけるチーム開発では以下が重要だと学びました。

知識レベルの差を認識する

チーム内で、誰がどの領域に詳しいのか、逆にどの領域が未経験なのかを把握しておくことが大切です。

私たちのチームでは、全員がPythonのデータ分析は得意でしたが、クラウドインフラの経験者がいませんでした。この認識があれば、事前に対策できたはずです。

「動いた」≠「正しい」

AIツールを使うと、簡単に「動くコード」が手に入ります。しかし、動くことと正しいことは別です。

特にクラウドリソースの場合、設定が不適切でも動いてしまいます。コストやセキュリティの観点でレビューする習慣をつけましょう。

失敗を共有する文化

この失敗を恥じるのではなく、チーム全体の学びとして共有できたことが良かったです。Cさんも「次は必ず設定を確認します」と前向きに受け止めてくれました。

AI時代には、このような新しいタイプの失敗が増えていくはずです。それを責めるのではなく、学びに変える文化が大切だと感じました。

まとめ

AI駆動開発は強力なツールですが、使い方を誤ると思わぬコストが発生する可能性があります。

今回の事例から得られた教訓をまとめます。

AIが生成したコードは、必ず内容を理解してから使う
コスト発生領域は、有識者によるレビューを必須にする
予算アラートを細かく設定し、異常を早期発見する
AIに依頼する際は、具体的な制約条件を含める
チーム内で知識レベルの差を認識し、サポート体制を作る

Claude CodeやGitHub Copilotなどのツールは、確かにエンジニアリングの民主化を進めています。しかし、それと同時に基礎知識の重要性も増しています。

特にハッカソンなど短期間の開発では、このような失敗は致命的になりかねません。皆さんも気をつけて開発を進めてくださいね。

最後に、7000円の授業料は高くつきましたが、チーム全体が成長できる良い経験になりました。失敗を恐れず、でも同じ失敗は繰り返さないように、楽しく開発していきましょう。